Resumen

Este informe presenta un análisis estadístico de los comparendos de tránsito en Barranquilla durante abril y mayo de 2010.
Se identifican patrones de infracciones según género, tipo de vehículo, empresas, infracciones más frecuentes y su recaudo económico.
Los resultados muestran que los autos concentran la mayor cantidad de infracciones, las mujeres presentan una alta proporción de comparendos y las empresas aportan un valor significativo en el recaudo.

Introducción

El propósito de este análisis es describir y visualizar el comportamiento de las infracciones de tránsito registradas en Barranquilla en un período específico de 2010.
Se emplean funciones estadísticas básicas y herramientas de R para identificar patrones, tendencias y posibles áreas de mejora en la gestión del tránsito.

Metodología

Base de datos: archivo Excel con registros de comparendos (abril–mayo 2010).
Variables analizadas: género, tipo de vehículo, empresa, tipo de infracción, mes y valor a pagar.
Herramientas de análisis: R, con librerías tidyverse, ggplot2, dplyr y kableExtra.
Resultados esperados: visualización de distribuciones, proporciones y top de infracciones para obtener conclusiones claras.

# Cargar datos
datos <- read_excel("BD Comparendos OK$.xlsx", sheet = "Cámara 1")

# Vista general: primeras 10 filas
datos %>% 
  head(10) %>% 
  kable(caption = "Primeras filas de la base de datos") %>% 
  kable_styling(full_width = FALSE, bootstrap_options = c("striped", "hover"))

Primeras filas de la base de datos
No. MANDAMIENTO DE PAGO	FECHA MANDAMIENTO DE PAGO	EJECUTADO	TIPO DE IDENTIFICACION	No. IDENTIFICACION	SEXO	COD. INFRACCION	COMPARENDO	FECHA DE COMPARENDO	FECHA	AÑO	DIA	MES	NOMBRE DEL MES	PACA DE VEHICULO	TIPO DE VEHICULO	VALOR_A_PAGAR
F00002658	19/08/2010	RAMIRO ANTONIO PEREZ HERRERA	Cedula de Ciudadanía	72127412	HOMBRE	67	F00007946	40302	2010-05-04	2010	4	5	Mayo	QHO294	CARRO	438900
F00004304	19/08/2010	TRANSPORTES MST Y CIA S. EN C	Nit	9001288484	EMPRESA	64	F0000469	40281	2010-05-05	2010	13	4	Abril	UYU967	CARRO	438900
F00001544	19/08/2010	NANCY ANGELICA GARCIA DUARTE	Cedula de Ciudadanía	22692743	MUJER	64	F0000925	40283	2010-05-06	2010	15	4	Abril	UYZ604	CARRO	438900
F00001578	19/08/2010	FILOMENA DEL SOCORRO MARTINEZ ROMERO	Cedula de Ciudadanía	23179461	MUJER	64	F0000160	40280	2010-05-07	2010	12	4	Abril	EDN17B	MOTO	438900
F00001372	19/08/2010	SHENYS PAOLA RICO OSPINO	Cedula de Ciudadanía	22516592	MUJER	64	F00004537	40294	2010-05-08	2010	26	4	Abril	BXF75A	MOTO	438900
F00001401	19/08/2010	LISBETH MARTINEZ SARMIENTO	Cedula de Ciudadanía	22533914	MUJER	64	F00005427	40298	2010-05-09	2010	30	4	Abril	BVZ71A	MOTO	438900
F00001473	19/08/2010	MERY DEL CARMEN PACHECO SERRANO	Cedula de Ciudadanía	22615434	MUJER	64	F00014363	40321	2010-05-10	2010	23	5	Mayo	BWX93A	MOTO	438900
F00002953	19/08/2010	MIGUEL HERNANDO GARAY CALLE	Cedula de Ciudadanía	72222136	HOMBRE	76	F00000693	40282	2010-05-11	2010	14	4	Abril	BSB95A	MOTO	438900
F00003518	19/08/2010	COOTRANSCO LTDA	Nit	800161062	EMPRESA	77	F00014863	40322	2010-05-12	2010	24	5	Mayo	UYN964	CARRO	438900
F00003542	19/08/2010	COOTRAB	Nit	800222724	EMPRESA	77	F00001740	40286	2010-05-13	2010	18	4	Abril	UYM220	CARRO	438900

# Resumen rápido
glimpse(datos)

## Rows: 2,120
## Columns: 17
## $ `No. MANDAMIENTO DE PAGO`   <chr> "F00002658", "F00004304", "F00001544", "F0…
## $ `FECHA MANDAMIENTO DE PAGO` <chr> "19/08/2010", "19/08/2010", "19/08/2010", …
## $ EJECUTADO                   <chr> "RAMIRO ANTONIO PEREZ HERRERA", "TRANSPORT…
## $ `TIPO DE IDENTIFICACION`    <chr> "Cedula de Ciudadanía", "Nit", "Cedula de …
## $ `No. IDENTIFICACION`        <dbl> 72127412, 9001288484, 22692743, 23179461, …
## $ SEXO                        <chr> "HOMBRE", "EMPRESA", "MUJER", "MUJER", "MU…
## $ `COD. INFRACCION`           <dbl> 67, 64, 64, 64, 64, 64, 64, 76, 77, 77, 67…
## $ COMPARENDO                  <chr> "F00007946", "F0000469", "F0000925", "F000…
## $ `FECHA DE COMPARENDO`       <dbl> 40302, 40281, 40283, 40280, 40294, 40298, …
## $ FECHA                       <dttm> 2010-05-04, 2010-05-05, 2010-05-06, 2010-…
## $ AÑO                         <dbl> 2010, 2010, 2010, 2010, 2010, 2010, 2010, …
## $ DIA                         <dbl> 4, 13, 15, 12, 26, 30, 23, 14, 24, 18, 4, …
## $ MES                         <dbl> 5, 4, 4, 4, 4, 4, 5, 4, 5, 4, 5, 4, 5, 5, …
## $ `NOMBRE DEL MES`            <chr> "Mayo", "Abril", "Abril", "Abril", "Abril"…
## $ `PACA DE VEHICULO`          <chr> "QHO294", "UYU967", "UYZ604", "EDN17B", "B…
## $ `TIPO DE VEHICULO`          <chr> "CARRO", "CARRO", "CARRO", "MOTO", "MOTO",…
## $ VALOR_A_PAGAR               <dbl> 438900, 438900, 438900, 438900, 438900, 43…

summary(select(datos, FECHA, VALOR_A_PAGAR))

##      FECHA                     VALOR_A_PAGAR   
##  Min.   :2010-05-04 00:00:00   Min.   :438900  
##  1st Qu.:2011-10-15 18:00:00   1st Qu.:438900  
##  Median :2013-03-28 12:00:00   Median :438900  
##  Mean   :2013-03-28 12:00:00   Mean   :438900  
##  3rd Qu.:2014-09-09 06:00:00   3rd Qu.:438900  
##  Max.   :2016-02-21 00:00:00   Max.   :438900

Resultados y Análisis

1. Distribución de infracciones por género

genero <- datos %>% count(SEXO) %>% mutate(PORCENTAJE = round(n/sum(n)*100,1))

genero %>% kable(col.names = c("Género", "Cantidad", "Porcentaje")) %>% 
  kable_styling(full_width = FALSE, bootstrap_options = c("striped","hover"))

Género	Cantidad	Porcentaje
CÉDULA NUEVA	88	4.2
EMPRESA	472	22.3
HOMBRE	615	29.0
MUJER	945	44.6

ggplot(genero, aes(x="", y=PORCENTAJE, fill=SEXO)) +
  geom_col(width=1) +
  coord_polar("y") +
  geom_text(aes(label=paste0(PORCENTAJE,"%")), position=position_stack(vjust=0.5)) +
  labs(title="Distribución de Infracciones por Género") +
  theme_void()

Interpretación: Las mujeres representan el mayor porcentaje de infracciones, seguidas por los hombres y en menor proporción las empresas.

2. Distribución por tipo de infracción

infraccion <- datos %>% 
  group_by(`COD. INFRACCION`) %>%
  summarise(TOTAL_RECAUDO = sum(VALOR_A_PAGAR, na.rm=TRUE),
            CANTIDAD = n(), .groups="drop") %>%
  arrange(desc(CANTIDAD))

infraccion %>% head(10) %>% 
  kable(col.names = c("Código Infracción", "Total Recaudo", "Cantidad")) %>% 
  kable_styling(full_width = FALSE)

Código Infracción	Total Recaudo	Cantidad
64	713651400	1626
77	168976500	385
67	46084500	105
76	1755600	4

ggplot(infraccion %>% head(10), aes(x=reorder(`COD. INFRACCION`, CANTIDAD), y=CANTIDAD, fill=`COD. INFRACCION`)) +
  geom_col(show.legend=FALSE) +
  coord_flip() +
  labs(title="Top 4 Infracciones Más Frecuentes", x="Código", y="Cantidad")

Interpretación: La infracción más frecuente es exceso de velocidad, seguida de no respetar semáforo en rojo. Estas infracciones también concentran la mayor cantidad de recaudo económico.

3. Top 5 empresas con mayor recaudo

empresas <- datos %>% 
  filter(`TIPO DE IDENTIFICACION`=="Nit") %>%
  group_by(EJECUTADO) %>%
  summarise(TOTAL_RECAUDO = sum(VALOR_A_PAGAR, na.rm=TRUE), .groups="drop") %>%
  arrange(desc(TOTAL_RECAUDO)) %>%
  head(5)

empresas %>% kable(col.names=c("Empresa","Total Recaudo")) %>% 
  kable_styling(full_width=FALSE)

Empresa	Total Recaudo
LEASING DE CREDITO SA	48279000
TRANSPORTES MST Y CIA S. EN C	21067200
FINANCIERA INTERNACIONAL S.A	14044800
GMAC FINANCIERA DE COLOMBI	9216900
UINON FAMILIAR CHARRIS S.EN C	5705700

ggplot(empresas, aes(x=reorder(EJECUTADO, TOTAL_RECAUDO), y=TOTAL_RECAUDO, fill=EJECUTADO)) +
  geom_col(show.legend=FALSE) +
  coord_flip() +
  labs(title="Top 5 Empresas con Mayor Recaudo", x="Empresa", y="Recaudo") +
  scale_y_continuous(labels=comma)

Interpretación: El recaudo está concentrado en pocas empresas, destacando una que supera ampliamente al resto.

4. Comparendos por mes

meses <- datos %>% count(`NOMBRE DEL MES`) %>% mutate(PORCENTAJE = round(n/sum(n)*100,1))

ggplot(meses, aes(x=`NOMBRE DEL MES`, y=n, fill=`NOMBRE DEL MES`)) +
  geom_col(show.legend=FALSE) +
  geom_text(aes(label=n), vjust=-0.3) +
  labs(title="Comparendos por Mes", x="Mes", y="Cantidad")

Interpretación: Mayo presenta un número mayor de comparendos en comparación con abril, lo que indica un incremento en el período analizado.

5. Comparendos por tipo de vehículo

vehiculos <- datos %>% count(`TIPO DE VEHICULO`) %>% mutate(PORCENTAJE = round(n/sum(n)*100,1))

ggplot(vehiculos, aes(x=reorder(`TIPO DE VEHICULO`, -n), y=n, fill=`TIPO DE VEHICULO`)) +
  geom_col(show.legend=FALSE) +
  geom_text(aes(label=n), vjust=-0.3) +
  labs(title="Comparendos por Tipo de Vehículo", x="Vehículo", y="Cantidad")

Interpretación: Los autos concentran la mayoría de los comparendos, muy por encima de las motocicletas.

Discusión

Los resultados permiten observar:
- Concentración de infracciones en autos y mayor número de comparendos en mayo.
- Diferencias por género, con predominio femenino.
- Exceso de velocidad y semáforo en rojo como infracciones más comunes.
- Empresas reincidentes, que concentran gran parte del recaudo.

Estos hallazgos reflejan la necesidad de campañas de educación vial, controles específicos para empresas de transporte y medidas preventivas en las principales causas de infracción.

Conclusiones

El análisis mostró que el mayor porcentaje de infracciones es cometido por mujeres y por autos.
La infracción de exceso de velocidad es la más frecuente y de mayor recaudo económico.
El mes de mayo concentra más comparendos** que abril, evidenciando un aumento temporal.
Empresas específicas son responsables de altos montos en comparendos, lo cual sugiere reforzar controles corporativos.

COMPARENDOS DE TRÁNSITO EN EL AÑO 2010

GUILLERMO DAVID CASTRO ARROYO

21 agosto 2025